{
  "abstract": "Introdução: Modelos de machine learning frequentemente perdem desempenho quando validados externamente entre diferentes sistemas de saúde, limitando sua implementação clínica. Ainda é incerto se isso reflete limitações intrínsecas da transportabilidade dos modelos ou diferenças no valor prognóstico das variáveis analisadas. Investigamos essa questão utilizando variáveis clínicas e hemograma do diagnóstico para predizer mortalidade precoce após indução intensiva de LMA recém diagnosticada, avaliando também se a incorporação do contexto do sistema de saúde melhora a transportabilidade em diferentes contexto. Métodos: Reunimos uma coorte internacional de 1.293 adultos com LMA recém-diagnosticada induzidos com 3+7 entre 2014 e 2026 em 15 instituições do Brasil, França, Bélgica, Canadá e Turquia. O desfecho primário foi mortalidade em 30 dias após a indução. Os dados foram coletados retrospectivamente com definições de controle de qualidade padronizadas. Hemograma ao diagnóstico, idade e Índice de Comorbidade de Charlson (CCI) foram utilizados para desenvolver e comparar 8 algoritmos supervisionados: XGBoost, Random Forest, CatBoost, LightGBM, regressão logística, SVM e Naive Bayes. O desenvolvimento inicial utilizou Synthetic Minority Over-sampling Technique (SMOTE) e grid search. O melhor modelo foi submetido à validação interna-externa leave-one-center-out (LOCO) sem SMOTE. Após caracterização da heterogeneidade interinstitucional, uma análise secundária excluiu centros com <5 óbitos precoces ou com baixa disponibilidade de dados, resultando em uma coorte refinada de 371 pacientes de 4 instituições. O modelo foi reavaliado antes e após a incorporação da mortalidade basal em 30 dias por centro, estimada apenas no conjunto de treinamento para evitar data leakage. O desempenho foi avaliado em cada etapa, e a heterogeneidade explorada por árvores de decisão, SHapley Additive exPlanations (SHAP) e PCA. Resultados: Entre os 8 modelos com SMOTE, o XGBoost apresentou a maior discriminação (AUROC 0,823) e foi selecionado para validação LOCO. A coorte internacional incluiu 1.293 pacientes e 107 óbitos precoces. Na validação LOCO sem SMOTE, o desempenho caiu para AUROC 0,606 ± 0,034 (sensibilidade 35,6%; especificidade 74,5%), confirmando limitada transportabilidade entre sistemas de saúde com análises exploratórias demonstrando importante heterogeneidade interinstitucional. A coorte refinada incluiu 371 pacientes (22 óbitos precoces) de instituições do Brasil, Canadá e Turquia. Nessa coorte, o modelo não contextualizado atingiu AUROC 0,680. Finalmente, a incorporação da mortalidade basal em 30 dias por centro elevou a discriminação para AUROC 0,709 ± 0,042 e AUPRC 0,436, com sensibilidade de 72,7% e especificidade de 67,3%. A análise por SHAP confirmou que o modelo integrou simultaneamente contexto institucional e preditores individuais, destacando VCM, hemoglobina, idade, percentual de blastos, linfócitos, plaquetas, CHCM e CCI entre as variáveis mais relevantes. Conclusões: A validação LOCO demonstrou que a transportabilidade de modelos de machine learning baseados em dados clínicos e hemograma depende não apenas das variáveis clínico-laboratoriais de rotina, mas também do contexto do sistema de saúde. A incorporação da mortalidade basal institucional em 30 dias melhorou a transportabilidade sem sobreamostragem sintética, representando uma estratégia simples, escalável e baseada em dados clínicos de rotina e baixo custo.",
  "abstract_shown": true,
  "affiliations": [
    "Universidade Federal de São Paulo; Centro de Oncologia, Hospital Sírio-Libanês, São Paulo, SP, Brasil",
    "Service d'Hématologie clinique, Hospices Civils de Lyon, Université Lyon 1, França",
    "Hospital Israelita Albert Einstein, São Paulo, SP, Brasil",
    "Universidade Federal de São Paulo, São Paulo, SP, Braszil",
    "Bursa Uludağ University, Turquia",
    "Hospital Aristides Maltez, Salvador, BA, Brasil",
    "Grupo Hospitalar Conceição, Porto Alegre, RS, Brasil",
    "Western University and London Health Sciences Centre, Canadá",
    "Hospital do Servidor Público Estadual (IAMSPE), São Paulo, SP, Brasil",
    "BP – A Beneficência Portuguesa de São Paulo, São Paulo, SP, Brasil",
    "Grand Hôpital de Charleroi, Béllgica",
    "Centro de Oncologia, Hospital Sírio-Libanês, São Paulo, SP, Brasil",
    "Centro de Oncologia, Hospital Sírio-Libanês; Hospital Nove de Julho, Rede Américas, São Paulo, SP, Brasil",
    "Hospital Santa Marcelina, São Paulo, SP, Brasil",
    "Universidade Federal de São Paulo; Hospital Nove de Julho, São Paulo, SP, Brasil",
    "Universidade Federal de São Paulo; BP – A Beneficência Portuguesa de São Paulo, São Paulo, SP, Brasil",
    "Antalya Training and Research Hospital, University of Health Sciences, Turquia"
  ],
  "article_type": null,
  "arxiv": null,
  "author_total": 40,
  "authors": [
    {
      "affs": [
        0
      ],
      "name": "Pedro Santos PEREZ"
    },
    {
      "affs": [
        1
      ],
      "name": "Vincent ALCAZER"
    },
    {
      "affs": [
        2
      ],
      "name": "Fabio Pires Souza SANTOS"
    },
    {
      "affs": [
        3
      ],
      "name": "Andre Massahiro SHIMAOKA"
    },
    {
      "affs": [
        0
      ],
      "name": "Mael HEIBLIG"
    },
    {
      "affs": [
        3
      ],
      "name": "Antonio Carlos da Silva JUNIOR"
    },
    {
      "affs": [
        3
      ],
      "name": "José Márcio DUARTE"
    },
    {
      "affs": [
        4
      ],
      "name": "Ibrahim Ethem PINAR"
    },
    {
      "affs": [
        4
      ],
      "name": "Narmin JAFARLI"
    },
    {
      "affs": [
        4
      ],
      "name": "Fahir OZKALEMKAS"
    },
    {
      "affs": [
        5
      ],
      "name": "Volkan KARAKUS"
    },
    {
      "affs": [
        5
      ],
      "name": "Batuhan BUYUKYILMAZ"
    },
    {
      "affs": [
        6
      ],
      "name": "Renata Ribeiro QUEIROZ"
    },
    {
      "affs": [
        7
      ],
      "name": "Nathalia Helbig DIAS"
    },
    {
      "affs": [
        7
      ],
      "name": "Luísa Russo SOARES"
    },
    {
      "affs": [
        8
      ],
      "name": "Benjamin CHIN-YEE"
    },
    {
      "affs": [
        8
      ],
      "name": "Cyrus HSIA"
    },
    {
      "affs": [
        9
      ],
      "name": "Fernanda Aline Moreira Oliveira MEUCCI"
    },
    {
      "affs": [
        8
      ],
      "name": "Vitor de Carvalho QUEIROZ"
    },
    {
      "affs": [
        8
      ],
      "name": "Inara Lúcia ARCE"
    },
    {
      "affs": [
        5
      ],
      "name": "Camilla Correia CAMPOS"
    },
    {
      "affs": [
        9
      ],
      "name": "André Dias AMÉRICO"
    },
    {
      "affs": [
        10
      ],
      "name": "Marie DETRAIT"
    },
    {
      "affs": [
        3
      ],
      "name": "Maria Luíza DOURADO"
    },
    {
      "affs": [
        11
      ],
      "name": "Maria Cristina SEIWALD"
    },
    {
      "affs": [
        11
      ],
      "name": "Ana Rita Brito Medeiros FONSECA"
    },
    {
      "affs": [
        11
      ],
      "name": "Lucas Amadeus Porpino SALES"
    },
    {
      "affs": [
        11
      ],
      "name": "Luciana Tomanik Cardozo de Mello TUCUNDUVA"
    },
    {
      "affs": [
        11
      ],
      "name": "Erick XAVIER"
    },
    {
      "affs": [
        12
      ],
      "name": "Vinicius Campos MOLLA"
    },
    {
      "affs": [
        3
      ],
      "name": "Lisandra Bezerra GOMES"
    },
    {
      "affs": [
        13
      ],
      "name": "Adriana PENNA"
    },
    {
      "affs": [
        13
      ],
      "name": "Ana Cristina CARDINALLI"
    },
    {
      "affs": [
        11
      ],
      "name": "Yana NOVIS"
    },
    {
      "affs": [
        2
      ],
      "name": "Nelson HAMERSCHLAK"
    },
    {
      "affs": [
        14
      ],
      "name": "Celso ARRAIS-RODRIGUES"
    },
    {
      "affs": [
        1
      ],
      "name": "Pierre SUJOBERT"
    },
    {
      "affs": [
        15
      ],
      "name": "Fábio Rodrigues KERBAUY"
    },
    {
      "affs": [
        3
      ],
      "name": "Paulo Bandieira PAIVA"
    },
    {
      "affs": [
        16
      ],
      "name": "Alex Freire SANDES"
    }
  ],
  "bibtex": "https://research.draconitic.com/paper/2ck1pnq9k2wfa.bib",
  "cited_by": 0,
  "doi": "10.1016/j.htct.2026.107575",
  "fulltext_url": "http://www.sciencedirect.com/science/article/pii/S2531137926013222",
  "id": "2ck1pnq9k2wfa",
  "issns": [
    "2531-1379",
    "2531-1387"
  ],
  "landing_url": "https://doi.org/10.1016/j.htct.2026.107575",
  "language": "en",
  "licence": "CC-BY",
  "licence_label": "CC BY",
  "licence_source": "journal",
  "licence_url": "https://creativecommons.org/licenses/by/4.0/",
  "metadata_licence": null,
  "native_subjects": [
    [
      "lcc",
      "RC633-647.5"
    ],
    [
      "openalex",
      "2720|Acute Myeloid Leukemia Research"
    ]
  ],
  "openalex": "W7223124587",
  "pdf_url": null,
  "pmcid": null,
  "pmid": null,
  "published": "2026-10-23",
  "publisher": "Elsevier",
  "ris": "https://research.draconitic.com/paper/2ck1pnq9k2wfa.ris",
  "sources": [
    {
      "first_seen": "2026-10-30T13:43:32Z",
      "native_id": "58827ce866b041438ee4518b039be943",
      "source": "doaj",
      "url": "https://doi.org/10.1016/j.htct.2026.107575"
    }
  ],
  "subjects": [
    {
      "field": "medicine",
      "origin": "lcc:RC633-647.5",
      "subfield": "endocrinology-metabolism"
    }
  ],
  "title": "CONTEXTUALIZAÇÃO DO SISTEMA DE SAÚDE MELHORA A TRANSPORTABILIDADE DE MODELOS DE",
  "title_text": "CONTEXTUALIZAÇÃO DO SISTEMA DE SAÚDE MELHORA A TRANSPORTABILIDADE DE MODELOS DE",
  "type": "peer-reviewed",
  "updated_at": "2026-10-30T13:43:32Z",
  "url": "https://research.draconitic.com/paper/2ck1pnq9k2wfa",
  "venue": "Hematology, Transfusion and Cell Therapy",
  "versions": []
}